提取 PDF 文件中的段落

本教程将指导您完成使用 Aspose.PDF for .NET 提取 PDF 文件中的段落的过程。提供的 C# 源代码演示了必要的步骤。

要求

在开始之前，请确保您具备以下条件：

• Visual Studio 或计算机上安装的任何其他 C# 编译器。
• Aspose.PDF for .NET 库。您可以从 Aspose 官方网站下载它或使用 NuGet 等包管理器来安装它。

第 1 步：设置项目

1. 在您首选的开发环境中创建一个新的 C# 项目。
2. 添加对 Aspose.PDF for .NET 库的引用。

第2步：导入所需的命名空间

在要提取段落的代码文件中，在文件顶部添加以下 using 指令：

using Aspose.Pdf;
using System;
using System.Text;

第三步：设置文档目录

在代码中，找到显示以下内容的行string dataDir = "YOUR DOCUMENT DIRECTORY";并替换"YOUR DOCUMENT DIRECTORY"以及存储文档的目录的路径。

步骤 4：打开 PDF 文档

使用以下命令打开现有 PDF 文档Document构造函数并将路径传递给输入 PDF 文件。

Document doc = new Document(dataDir + "input.pdf");

第五步：提取段落

实例化ParagraphAbsorber类并使用它的Visit从文档中提取段落的方法。

ParagraphAbsorber absorb = new ParagraphAbsorber();
absorb.Visit(doc);

第 6 步：遍历段落

循环浏览提取的段落以访问文本内容。使用嵌套循环遍历每个段落中的部分和行。

foreach(PageMarkup markup in absorber.PageMarkups)
{
     int i = 1;
     foreach(MarkupSection section in markup.Sections)
     {
         int j = 1;
         foreach(MarkupParagraph paragraph in section.Paragraphs)
         {
             StringBuilder paragraphText = new StringBuilder();
             foreach(List<TextFragment> line in paragraph.Lines)
             {
                 foreach(TextFragment fragment in line)
                 {
                     paragraphText.Append(fragment.Text);
                 }
                 paragraphText. Append("\r\n");
             }
             paragraphText. Append("\r\n");
             Console.WriteLine("Paragraph {0} of section {1} on page {2}:", j, i, markup.Number);
             Console.WriteLine(paragraphText.ToString());
             j++;
         }
         i++;
     }
}

使用 Aspose.PDF for .NET 提取段落的示例源代码

//文档目录的路径。
string dataDir = "YOUR DOCUMENT DIRECTORY";
//打开现有的 PDF 文件
Document doc = new Document(dataDir + "input.pdf");
//实例化 ParagraphAbsorber
ParagraphAbsorber absorber = new ParagraphAbsorber();
absorber.Visit(doc);
foreach (PageMarkup markup in absorber.PageMarkups)
{
	int i = 1;
	foreach (MarkupSection section in markup.Sections)
	{
		int j = 1;
		foreach (MarkupParagraph paragraph in section.Paragraphs)
		{
			StringBuilder paragraphText = new StringBuilder();
			foreach (List<TextFragment> line in paragraph.Lines)
			{
				foreach (TextFragment fragment in line)
				{
					paragraphText.Append(fragment.Text);
				}
				paragraphText.Append("\r\n");
			}
			paragraphText.Append("\r\n");
			Console.WriteLine("Paragraph {0} of section {1} on page {2}:", j, i, markup.Number);
			Console.WriteLine(paragraphText.ToString());
			j++;
		}
		i++;
	}
}

结论

您已使用 Aspose.PDF for .NET 成功从 PDF 文档中提取段落。提取的段落已显示在控制台窗口中。

常见问题解答

问：本教程的目的是什么？

答：本教程旨在指导您完成使用 Aspose.PDF for .NET 从 PDF 文件中提取段落的过程。随附的 C# 源代码提供了实现此任务的实用步骤。

问：我应该导入哪些命名空间？

答：在要提取段落的代码文件中，在文件开头包含以下 using 指令：

using Aspose.Pdf;
using System;
using System.Text;

问：如何指定文档目录？

答：找到该线string dataDir = "YOUR DOCUMENT DIRECTORY";在代码中并替换"YOUR DOCUMENT DIRECTORY"与文档目录的实际路径。

问：如何打开现有的 PDF 文档？

答：在步骤 4 中，您将使用以下命令打开现有的 PDF 文档：Document构造函数并提供输入 PDF 文件的路径。

问：如何从文档中提取段落？

答：第 5 步涉及创建一个实例ParagraphAbsorber类并使用它的Visit从 PDF 文档中提取段落的方法。

问：如何迭代提取的段落？

答：第 6 步将引导您循环浏览提取的段落。嵌套循环用于遍历每个段落中的节和行，最终访问和显示文本内容。

问：本教程的主要内容是什么？

答：通过学习本教程，您已经了解了如何使用 Aspose.PDF for .NET 从 PDF 文档中提取段落。提取的段落已显示在控制台窗口中，为您提供对文档内容结构的宝贵见解。